焦崇珊 宋懷波

摘要：實(shí)現(xiàn)復(fù)雜場(chǎng)景下導(dǎo)航路徑的自動(dòng)獲取，是大田小麥自主作業(yè)機(jī)器人連續(xù)作業(yè)的重要環(huán)節(jié)和基礎(chǔ)。通過(guò)簡(jiǎn)單線性迭代聚類算法（simple linear iterative cluster，簡(jiǎn)稱SLIC），在獲取麥田裸地超像素區(qū)域的基礎(chǔ)上，使用Otsu算法實(shí)現(xiàn)了裸地區(qū)域的自適應(yīng)分割，并通過(guò)數(shù)學(xué)形態(tài)學(xué)閉運(yùn)算、Canny邊緣檢測(cè)、Hough直線檢測(cè)等操作實(shí)現(xiàn)了導(dǎo)航路徑的精確獲取。為了驗(yàn)證本研究方法的有效性，將計(jì)算所得的導(dǎo)航角度與真實(shí)角度值間的平均誤差及均方差作為評(píng)價(jià)指標(biāo)，并從34幅不同遮擋類別圖像中隨機(jī)選取15幅圖像進(jìn)行了測(cè)試。結(jié)果表明，本研究方法的導(dǎo)航角度平均誤差為1.584°，均方差為1.293°。表明將該方法用于田間小麥導(dǎo)航路徑的獲取是有效的。

關(guān)鍵詞：小麥行間導(dǎo)航;SLIC算法;目標(biāo)分割;導(dǎo)航路徑

中圖分類號(hào)： TP391.41? 文獻(xiàn)標(biāo)志碼： A

文章編號(hào)：1002-1302（2020）14-0255-06

自主導(dǎo)航是田間作業(yè)機(jī)器人系統(tǒng)的關(guān)鍵技術(shù)之一，基于機(jī)器視覺(jué)的自主導(dǎo)航技術(shù)是農(nóng)業(yè)機(jī)器人實(shí)現(xiàn)田間連續(xù)作業(yè)的重要發(fā)展方向。如何在復(fù)雜田間環(huán)境下實(shí)現(xiàn)作業(yè)路徑的精確獲取，已成為田間作業(yè)機(jī)器人研究的重點(diǎn)，受到了越來(lái)越多的關(guān)注[1]。目前，農(nóng)業(yè)機(jī)器人導(dǎo)航研究主要包括視覺(jué)導(dǎo)航和衛(wèi)星定位導(dǎo)航（GPS）2種方式[2-3]。關(guān)卓懷等基于2R-G-B超紅圖像，采用綜合閾值法進(jìn)行圖像二值化分割，根據(jù)圖像灰度垂直投影值動(dòng)態(tài)設(shè)定感興趣區(qū)域，水平掃描獲取作物線擬合關(guān)鍵點(diǎn)，并采用多段三次B樣條曲線擬合法提取水稻待收獲區(qū)域邊界線，4種光線環(huán)境下15個(gè)關(guān)鍵點(diǎn)的平均誤差為36.5像素，平均距離誤差為45.0 mm，平均相對(duì)誤差為2.8%[4];王紅君等采用多顏色空間分割得到差值圖像和分量圖像，采用Otsu算法進(jìn)行最優(yōu)閾值分割，最后用優(yōu)化的Hough變換確定導(dǎo)航路線，正確識(shí)別率為95%[5];高國(guó)琴等選取HSI顏色空間中的H分量進(jìn)行處理，采用K-means算法分割壟間裸地和綠色植物，再通過(guò)數(shù)學(xué)形態(tài)學(xué)消除干擾得到完整的道路信息，該方法的最大誤差為 6.2 cm，平均誤差為3.7 cm，均方誤差為4.1 cm[6];孟慶寬等在YCrCg顏色模型的基礎(chǔ)上，選取與光照無(wú)關(guān)的Cg分量進(jìn)行處理，采用模糊C均值聚類算法分割目標(biāo)和背景，提出了一種快速作物行檢測(cè)算法，該方法抗干擾能力較強(qiáng)，在車速為0.6 m/s時(shí)最大橫向偏差不超過(guò)76 mm，平均值為33.1 mm，標(biāo)準(zhǔn)差為20.6 mm[7]。

超像素分割是實(shí)現(xiàn)目標(biāo)精確分割的有效方法。楊麗艷等結(jié)合SLIC和模糊聚類算法實(shí)現(xiàn)了遙感圖像分割，精度為0.775 1，召回率為0.884 1[8];Shi等提出了一種新的分割圖形的全球標(biāo)準(zhǔn)——規(guī)范化分割方法（normalized cut，N-Cut）[9]，這一標(biāo)準(zhǔn)衡量了不同組之間的總差異和總相似;Felzenszwalb等提出了Graph-based方法[10]，給出了一種在圖表示（graph-based）下圖像區(qū)域之間邊界的定義的判斷標(biāo)準(zhǔn)，并使用貪心選擇來(lái)實(shí)現(xiàn)分割，能夠?qū)⒏咦兓瘏^(qū)域很好地聚合為同一區(qū)域;Levinshtein等提出了Turbopixel方法[11-14]，用于計(jì)算圖像的密集過(guò)分割，與缺少緊湊性約束的算法相比，緊湊性更高;Achanta等提出SLIC超像素分割算法，采用k均值聚類方法來(lái)有效生成超像素，提高了分割性能，并且可以直接擴(kuò)展到超體素生成[3]。在上述超像素分割算法中，SLIC算法處理速度快，并且超像素塊能夠很好地貼合目標(biāo)邊界，能夠獲得形狀、大小基本相同的超像素塊。采用SLIC超像素分割對(duì)輸入圖像進(jìn)行處理，能夠減小算法計(jì)算復(fù)雜度[15]。

因此，為了實(shí)現(xiàn)大田小麥導(dǎo)航路徑的精確獲取，本研究基于SLIC超像素分割理論，在小麥裸地超像素區(qū)域精確提取的基礎(chǔ)上，利用Otsu算法得到小麥裸地區(qū)域的二值圖像，并使用數(shù)學(xué)形態(tài)學(xué)、Canny邊緣檢測(cè)進(jìn)行圖像預(yù)處理，最后利用Hough直線檢測(cè)算法實(shí)現(xiàn)導(dǎo)航路徑的準(zhǔn)確提取，以期為大田小麥自主作業(yè)機(jī)器人的準(zhǔn)確導(dǎo)航奠定基礎(chǔ)。

1 測(cè)試圖像與運(yùn)行環(huán)境

為測(cè)試算法的有效性和環(huán)境適應(yīng)性，分別采用多種圖像獲取設(shè)備獲取了34幅圖像作為測(cè)試樣本。在自然條件下進(jìn)行路徑的獲取，主要影響因素為小麥葉片的遮擋，當(dāng)遮擋范圍超過(guò)地面的1/2時(shí)為嚴(yán)重遮擋，本研究所使用的圖像類別見(jiàn)表1，共包含輕微遮擋圖像12幅，嚴(yán)重遮擋圖像13幅，無(wú)遮擋圖像9幅;手機(jī)獲得圖像分辨率為2 268×4 032像素，CCD相機(jī)獲得的圖像分辨率為2 592×4 608像素。本研究算法運(yùn)行于Microsoft Windows 10操作系統(tǒng)，Matlab R2018b與PyCharm 2017.1 x64版本軟件，內(nèi)存8 G，主頻2.20 GHz，機(jī)械硬盤(pán)空間2 T，固態(tài)硬盤(pán)空間128 G。

2 基于SLIC的大田小麥導(dǎo)航線獲取

基于SLIC的導(dǎo)航線獲取方法主要包括基于SLIC算法的裸地區(qū)域分割、裸地區(qū)域的預(yù)處理、行間邊緣直線檢測(cè)與導(dǎo)航線提取3個(gè)部分。從圖1可以看出，首先提取麥田裸地區(qū)域，然后對(duì)目標(biāo)區(qū)域進(jìn)行預(yù)處理，預(yù)處理包括圖像的二值化，數(shù)學(xué)形態(tài)學(xué)處理和邊緣檢測(cè)，以去除未連通小區(qū)域和邊緣毛刺等，并得到行間邊緣曲線;利用Hough變換進(jìn)行直線檢測(cè)得到行間邊緣直線，將邊緣直線的角平分線作為前進(jìn)方向的路徑。

2.1 基于SLIC算法的麥田裸地區(qū)域分割

超像素是指對(duì)具有相似特征的相鄰像素進(jìn)行聚類，特征主要包括紋理、顏色、亮度等，然后產(chǎn)生形狀不完全規(guī)則和具有一定視覺(jué)意義的像素塊[13-14]，其實(shí)質(zhì)是一種改進(jìn)的K-means算法。該算法將圖像像素在Lab顏色空間3個(gè)顏色分量的值和每個(gè)像素在直角坐標(biāo)系下的2維位置坐標(biāo)組成N（N為圖像像素點(diǎn)的總數(shù)）個(gè)5維特征向量，根據(jù)CLELAB顏色空間和xy坐標(biāo)下的特征向量構(gòu)造相似度量標(biāo)準(zhǔn)，對(duì)相似的像素點(diǎn)聚類生成超像素。SLIC算法能有效抑制“椒鹽”噪聲的問(wèn)題，不但可以自主設(shè)置生成超像素的個(gè)數(shù)，而且能夠生成形狀規(guī)則的像素塊且具有較好的邊界附著性。SLIC算法的具體步驟[3]為：

2.1.1 初始化種子點(diǎn) 首先預(yù)設(shè)其有N個(gè)像素點(diǎn)，SLIC算法運(yùn)行后生成了大小相同的K個(gè)超像素，每個(gè)超像素的尺寸大小用N/K來(lái)表示。種子點(diǎn)間的距離可以表示為S=[KF（]N/K[KF）]。為了避免影響后續(xù)的聚類結(jié)果，種子點(diǎn)在鄰域內(nèi)的3×3的窗口內(nèi)移動(dòng)，同時(shí)計(jì)算所有像素點(diǎn)的梯度值，并保證移動(dòng)到梯度值最小的位置，防止種子點(diǎn)被分配到圖像的邊緣位置或噪聲點(diǎn)位置，并分配標(biāo)簽到每個(gè)種子點(diǎn)上。

2.1.2 相似性度量 對(duì)每個(gè)像素進(jìn)行搜索，計(jì)算像素點(diǎn)與種子點(diǎn)之間的相似程度，包括顏色距離和空間距離，不斷迭代直到收斂，關(guān)系如公式（1）至公式（3）：

式中：[lk ak bk xk yk]代表種子點(diǎn)的5維特征向量;[li ai bi xi yi]表示為待判斷像素點(diǎn)的特征向量;k指種子點(diǎn);i是圖像中的搜索像素點(diǎn);dlab指的是像素點(diǎn)間的顏色相似程度，dxy為圖像中鄰域內(nèi)像素點(diǎn)的空間距離;S為種子點(diǎn)的間距大小，m是用來(lái)衡量顏色信息與空間信息的相似比重。D代表2像素點(diǎn)的相似度，越相似則D取值越大。SLIC算法在2S×2S之間進(jìn)行搜索，該操作可使算法加快收斂速度。

在麥田裸地區(qū)域分割時(shí)，SLIC算法參數(shù)大小的設(shè)置會(huì)直接影響到超像素分割的效果。大田小麥原始圖像見(jiàn)圖2，可見(jiàn)麥壟的邊緣被小麥枝葉遮擋，這會(huì)對(duì)裸地區(qū)域的分割與麥壟邊緣的獲取產(chǎn)生影響。SLIC算法采用不同超像素點(diǎn)處理后的結(jié)果見(jiàn)圖3，其中圖3-a為選取600個(gè)超像素點(diǎn)的結(jié)果，圖3-b為選取700個(gè)超像素點(diǎn)的結(jié)果，圖3-c為選取800個(gè)超像素點(diǎn)的結(jié)果，圖3-d為選取900個(gè)超像素點(diǎn)的結(jié)果，圖3-e為選取1 000個(gè)超像素點(diǎn)的結(jié)果，圖3-f為選取1 100個(gè)超像素點(diǎn)的結(jié)果。通過(guò)對(duì)比發(fā)現(xiàn)，當(dāng)超像素點(diǎn)個(gè)數(shù)小于800時(shí)，分割塊過(guò)大，目標(biāo)提取不夠精細(xì);當(dāng)大于800時(shí)，分割結(jié)果過(guò)細(xì)，不利于后續(xù)顯著性目標(biāo)的提取，因此本研究選用800個(gè)超像素點(diǎn)的處理結(jié)果進(jìn)行后續(xù)的處理與分析。

2.2 裸地區(qū)域預(yù)處理方法研究

麥田裸地區(qū)域的預(yù)處理可以有效去除噪聲、平滑區(qū)域邊緣，是導(dǎo)航線精確提取的重要環(huán)節(jié)。本研究主要通過(guò)數(shù)學(xué)形態(tài)學(xué)閉運(yùn)算及邊緣檢測(cè)方法來(lái)進(jìn)行麥田裸地區(qū)域的預(yù)處理，處理結(jié)果見(jiàn)圖4。其中圖4-a為利用Otsu算法自適應(yīng)分割后的結(jié)果，可見(jiàn)目標(biāo)邊緣存在毛刺等冗余信息，本研究采用大小為300像素的disk型模板進(jìn)行數(shù)學(xué)形態(tài)學(xué)閉運(yùn)算的結(jié)果如圖4-b，可見(jiàn)對(duì)未連通的小區(qū)域、邊緣毛刺等冗雜信息處理效果良好;最后通過(guò)Canny算子進(jìn)行行間邊緣曲線的提取結(jié)果見(jiàn)圖4-c，可見(jiàn)圖像預(yù)處理后得到的行間邊緣信息良好，可為大田小麥導(dǎo)航路徑的準(zhǔn)確提取奠定基礎(chǔ)。

2.3 小麥行間邊緣直線檢測(cè)和導(dǎo)航路徑的提取

2.3.1 基于Hough變換的小麥行間邊緣直線檢測(cè)

利用Canny算子得到行間邊緣曲線后，本研究通過(guò)Hough變換進(jìn)行直線檢測(cè)，以得到行間邊緣直線。Hough變換是一種檢測(cè)、定位直線的有效方法，

該方法通過(guò)將二值圖像變換到Hough參數(shù)空間，在參數(shù)空間用極值點(diǎn)的檢測(cè)來(lái)完成目標(biāo)的檢測(cè)，抗干擾能力強(qiáng)[15]。本研究對(duì)圖4-c進(jìn)行Hough直線檢測(cè)的結(jié)果見(jiàn)圖5，圖中直線是Hough直線檢測(cè)后的小麥行間的邊緣直線，與檢測(cè)得到的裸地邊緣基本一致，可為導(dǎo)航路徑的準(zhǔn)確檢測(cè)奠定基礎(chǔ)。

2.3.2 麥田導(dǎo)航路徑的獲取

若檢測(cè)到2側(cè)的邊緣直線，導(dǎo)航路徑為角平分線;若只檢測(cè)到1側(cè)的邊緣直線，導(dǎo)航路徑采用檢測(cè)到的邊緣直線的參數(shù);若2側(cè)均未檢測(cè)到邊緣直線，導(dǎo)航路徑為圖像豎直方向的中間線。圖6中的紅線是2條藍(lán)色直線的角平分線，即為計(jì)算出的前進(jìn)方向的路徑，通過(guò)計(jì)算得出的θ1為90.94°。

導(dǎo)航參數(shù)的分析見(jiàn)圖7。θ1是導(dǎo)航路徑與x軸的夾角，θ2是導(dǎo)航路徑與豎直方向的夾角。當(dāng)自主作業(yè)機(jī)器人無(wú)需糾正時(shí)θ1在90°左右，θ2在0°左右，所以，導(dǎo)航參數(shù)選擇使用θ2，根據(jù)θ2的正負(fù)和大小判斷作業(yè)機(jī)器人的偏轉(zhuǎn)方向和偏轉(zhuǎn)角度。

如圖7-a所示，探測(cè)車左偏時(shí)θ1∈[0°，90°），根據(jù)公式（4）和公式（5），計(jì)算得出θ2∈[0°，90°）;同理，如圖7-b所示，探測(cè)車右偏時(shí)，θ1∈[90°，180°），計(jì)算出θ2∈（-90°，0°]，所以，θ2為正值時(shí)，探測(cè)車左偏，θ2為負(fù)值時(shí)探測(cè)車右偏。

2.4 評(píng)價(jià)指標(biāo)

為測(cè)試算法的有效性及適應(yīng)性，對(duì)34幅小麥行間圖像進(jìn)行了測(cè)試。為了進(jìn)一步驗(yàn)證本研究算法的有效性，將θ1的計(jì)算值與標(biāo)準(zhǔn)值作比較，評(píng)價(jià)指標(biāo)采用θ1的真實(shí)值與計(jì)算值之差的均方差（RMSE），如公式（6）所示。

式中：n是導(dǎo)航系統(tǒng)測(cè)試圖像的數(shù)量，i表示第i張測(cè)試圖像，θ1i是手工標(biāo)注得到的角度，θ[DD（-*2][HT6]^[DD）]1i是導(dǎo)航系統(tǒng)計(jì)算得到的角度，X[TX-]是θ1的真實(shí)值與計(jì)算值之差的平均值。

3 測(cè)試結(jié)果與分析

3.1 試驗(yàn)結(jié)果

在前文所述的運(yùn)行環(huán)境下，用本研究提出的方法處理34幅測(cè)試圖像。隨機(jī)取15幅測(cè)試結(jié)果見(jiàn)表2，角度的標(biāo)準(zhǔn)值通過(guò)Visio軟件在原圖像測(cè)得。從表2可以看出，15幅圖像測(cè)試結(jié)果的平均誤差值為1.584°，均方差為1.293°，表明本研究方法是有效的。本研究按照影響因素將測(cè)試圖像分為3類，圖像1～5為輕微遮擋時(shí)的結(jié)果，圖像6～10為嚴(yán)重遮擋時(shí)的結(jié)果，圖像11-15為地面無(wú)遮擋時(shí)的結(jié)果。其平均誤差及均方差分別為0.870°、0.572°，2.886°、1.358°，0.996°、0.540°，均能達(dá)到對(duì)路徑識(shí)別的要求。

3.2 小麥葉片的遮擋對(duì)導(dǎo)航路徑獲取的影響

葉片遮擋是影響大田小麥導(dǎo)航路徑獲取的主要因素，本研究中的SLIC算法會(huì)將部分遮擋區(qū)域分割出來(lái)，盡可能地實(shí)現(xiàn)路徑的精確獲取，減少自然因素的影響，使環(huán)境適應(yīng)性更高且分割效果更佳，對(duì)枝葉的小區(qū)域遮擋能夠適應(yīng)并且分割效果良好。當(dāng)?shù)孛姹惠p微遮擋的分割結(jié)果見(jiàn)圖8，可見(jiàn)當(dāng)?shù)孛姹惠p微遮擋時(shí)，能夠?qū)⒈徽趽跆幏指畛鰜?lái)。

3類不同遮擋類型圖像導(dǎo)航線的獲取過(guò)程示例見(jiàn)圖9，其中圖9-a為地面被輕微遮擋時(shí)的導(dǎo)航線獲取過(guò)程，圖9-b為地面被嚴(yán)重遮擋時(shí)的導(dǎo)航線獲取過(guò)程，圖9-c為地面無(wú)遮擋時(shí)的導(dǎo)航線獲取過(guò)程。從圖9可以看出，當(dāng)?shù)孛鏌o(wú)遮擋或被輕微遮擋時(shí)獲取的導(dǎo)航路徑較準(zhǔn)確，當(dāng)?shù)孛姹粐?yán)重遮擋時(shí)獲取的導(dǎo)航路徑較無(wú)遮擋情況存在偏差。由試驗(yàn)結(jié)果[KG*3]可知，當(dāng)?shù)孛姹蝗~片輕微遮擋時(shí)，均方差為

0.572°，能夠較準(zhǔn)確地提取路徑，與無(wú)葉片遮擋時(shí)的差別較小;當(dāng)?shù)孛姹蝗~片嚴(yán)重遮擋時(shí)，均方差為1358°;當(dāng)?shù)孛鏌o(wú)遮擋時(shí)，角度的計(jì)算值與真實(shí)值之差的均方差為0.540°，說(shuō)明并未將遮擋產(chǎn)生的影響完全排除，有葉片遮擋較無(wú)遮擋時(shí)的均方差增加?？梢?jiàn)，隨著小麥葉片的生長(zhǎng)，葉片逐漸伸展，當(dāng)裸地區(qū)域無(wú)法識(shí)別時(shí)，本方法可能不再適用。

裸地區(qū)域無(wú)法識(shí)別時(shí)的導(dǎo)航線獲取過(guò)程見(jiàn)圖10，圖10-a為裸地區(qū)域無(wú)法識(shí)別時(shí)的原圖，圖10-b為SLIC分割結(jié)果，圖10-c為導(dǎo)航線的獲取結(jié)果，其中藍(lán)線為檢測(cè)到麥壟的邊緣直線，紅線為計(jì)算得到的導(dǎo)航線，棕色線為麥壟的實(shí)際邊緣直線，黃線為實(shí)際導(dǎo)航線，可見(jiàn)檢測(cè)到的麥壟邊緣直線與實(shí)際邊緣直線差距較大，導(dǎo)致提取的導(dǎo)航線與實(shí)際導(dǎo)航線也存在差別。如何實(shí)現(xiàn)此類導(dǎo)航路徑的獲取尚需深入研究。

4 結(jié)論

以大田小麥的行間路徑為研究對(duì)象，從裸地區(qū)域目標(biāo)分割、裸地區(qū)域分割結(jié)果預(yù)處理和行間邊緣直線檢測(cè)與導(dǎo)航路徑的提取3個(gè)部分展開(kāi)以實(shí)現(xiàn)對(duì)小麥行間導(dǎo)航路徑的獲取。所取得的主要結(jié)論如下：

（1）利用超像素分割算法能夠很好地分割出小麥行間的裸地區(qū)域，為麥壟邊緣的檢測(cè)與導(dǎo)航路徑的提取奠定了良好基礎(chǔ)。（2）通過(guò)數(shù)學(xué)形態(tài)學(xué)閉運(yùn)算處理使得分割區(qū)域更加平滑，更加接近麥壟的實(shí)際形狀，通過(guò)Canny算子可以較為精確地提取出麥壟的邊緣。（3）通過(guò)Hough變換可以較為精確地檢測(cè)小麥壟的2條邊緣直線，兩直線的角平分線即為所需導(dǎo)航線。該方法得到的導(dǎo)航線與實(shí)際導(dǎo)航線的導(dǎo)航角度平均誤差為1.584°，均方差為1.293°，表明將該方法用于田間小麥導(dǎo)航路徑提取是有效的。

參考文獻(xiàn)：

[1]趙 洲，朱新華，何 穎，等. 機(jī)器人在溫室中的應(yīng)用研究[J]. 農(nóng)機(jī)化研究，2015，37（1）：238-241.

[2]楊為民，李天石，賈鴻社. 農(nóng)業(yè)機(jī)械機(jī)器視覺(jué)導(dǎo)航研究[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2004，20（1）：160-165.

[3]Achanta R，Shaji A，Smith K，et al. SLIC superpixels compared to state-of-the-art superpixel methods[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2012，34（11）：2274-2282.

[4]關(guān)卓懷，陳科尹，丁幼春，等. 水稻收獲作業(yè)視覺(jué)導(dǎo)航路徑提取方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2020，51（1）：19-28.

[5]王紅君，陳 慧，岳有軍，等. 基于多顏色空間分割的溫室環(huán)境視覺(jué)導(dǎo)航路徑信息提取[J]. 江蘇農(nóng)業(yè)科學(xué)，2017，45（16）：202-206.

[6]高國(guó)琴，李 明. 基于K-means算法的溫室移動(dòng)機(jī)器人導(dǎo)航路徑識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2014，30（7）：25-33.

[7]孟慶寬，張 漫，仇瑞承，等. 基于改進(jìn)遺傳算法的農(nóng)機(jī)具視覺(jué)導(dǎo)航線檢測(cè)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2014，45（10）：39-46.

[8]楊麗艷，趙玉娥，黃 亮. 結(jié)合SLIC和模糊聚類的遙感圖像分割方法[J]. 軟件，2019，40（12）：66-69.

[9]Shi J，Malik J. Normalized cuts and image segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2000，22（8）：888-905.

[10]Felzenszwalb P F，Huttenlocher D P. Efficient Graph-based image segmentation[J]. International Journal of Computer Vision，2004，59（2）：167-181.

[11]Levinshtein A，Stere A，Kutulakos K N，et al. TurboPixels：fast superpixels using geometric flows[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2009，31（12）：2290-2297.

[12]趙宏偉，何勁松. 基于貝葉斯框架融合深度信息的顯著性檢測(cè)[J]. 光電工程，2018，45（2）：8-15.

[13]Ren X，Malik J. Learning a classification model for segmentation[C]//Proceedings of the ninth IEEE international conference on computer vision.Washington D C：IEEE Computer Society，2003：10-17.

[14]Kanungo T，Mount D，Netanyahu N，et al. An efficient k-means clustering algorithm：analysis and implementation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2000，24（7）：881-892.

[15]Hough P. Method and means for recognizing complex patterns：US1771560A[P]. 1962-12-18.

收稿日期：2020-02-02

基金項(xiàng)目：國(guó)家重點(diǎn)研發(fā)計(jì)劃（編號(hào)：2019YFD1002401）。

作者簡(jiǎn)介：焦崇珊（1999—），男，山東菏澤人，主要從事數(shù)字圖像處理研究。E-mail：997224153@qq.com。

通信作者：宋懷波，博士，副教授，主要從事農(nóng)業(yè)智能化檢測(cè)相關(guān)研究。E-mail：songyangfeifei@163.com。